Mercados Preditivos como Ferramenta de Suporte à Decisão

Há vários níveis de decisão em uma organização. Decisões mais simples dizem respeito à maioria das questões do dia a dia e são resolvidas nos níveis hierárquicos mais baixos por envolverem pouco risco à organização como um todo. Questões um pouco mais complexas, que envolvem volume moderado de recursos, são normalmente delegadas aos gestores de nível intermediário. Gestores no topo da hierarquia convivem diariamente com decisões de maior risco, algumas delas de tamanha importância que podem significar o sucesso ou fracasso de toda a organização. Essas últimas são conhecidas como decisões estratégicas (HILTY, 2005; MINTZBERG, 1976).

Qualquer tipo de decisão contempla certo grau de incerteza. Em decisões estratégicas o nível de incerteza costuma ser muito alto devido à complexidade desse tipo de decisão que normalmente envolve fatores internos e externos à organização, conflitos de interesses, questões políticas e grande volume de recursos. O desafio de lidar com a incerteza, entendendo-a e tentando mitigá-la é, portanto, fundamental para aumentar as chances de que a decisão tomada seja a melhor possível para atingir os objetivos desejados.

Cientes da importância de tratar a incerteza no processo decisório, principalmente em questões estratégicas, as empresas costumam investir tempo e dinheiro em ferramentas e técnicas que ajudam a mapear, mensurar e reduzir essas incertezas. Quando o processo decisório envolve muitas questões políticas e conflitos de interesses (STONE, 1997), é possível que, em alguns casos, essas ferramentas também ajudem a legitimar as decisões tomadas.

Muitas organizações utilizam técnicas de análise de decisão (MCNAMEE; CELONA, 2008) que auxiliam na estruturação de todas as fases do processo decisório, inclusive a seleção de alternativas frente às incertezas. Em outros casos, fazem uso apenas de ferramentas que ajudam a prever quais cenários são mais prováveis, atividade conhecida nas organizações como prospecção do futuro ou forecasting (ARMSTRONG, 2001).

A atividade de forecasting visa a gerar previsões sobre o futuro, bem como o grau de incerteza envolvido nessas previsões, de modo a auxiliar o tomador de decisão. De maneira

simplificada, pode-se dizer que existem basicamente dois tipos de forecasting: o estatístico e o baseado em julgamento (ARMSTRONG, 2001).

O forecasting estatístico é possível quando estão disponíveis informações estruturadas, em geral de natureza quantitativa, relacionadas à questão que se deseja prever. Por exemplo, para prever as vendas mensais de determinado produto no próximo ano, informações disponíveis sobre vendas mensais de anos anteriores ajudarão na geração de estimativas precisas. Outros dados como crescimento da economia, do setor industrial, nível de desemprego, etc., também poderão compor o modelo preditivo. Regressões e análises de séries temporais são exemplos de algumas técnicas normalmente utilizadas em forecasting estatístico. Técnicas mais recentes de tratamento de texto também permitem análises estatísticas em dados de natureza predominantemente qualitativa (ROBERTS, 2000).

Nem sempre as informações necessárias estão estruturadas. Certamente existem informações que podem ajudar uma empresa a prever quais funcionalidades de um novo produto farão mais sucesso entre os futuros consumidores. Todavia, nesse exemplo, as informações mais relevantes dificilmente estarão estruturadas e técnicas de forecasting com base em julgamento serão mais apropriadas. Armstrong (2001) subdivide os métodos baseados em julgamento em dois tipos: um no qual busca-se prever o próprio comportamento e outro no qual especialistas buscam prever o comportamento dos outros. Pesquisas de intenção e discussões em grupo (focus group) seriam exemplos do primeiro tipo, enquanto painel de especialistas e Delphi seriam exemplos do segundo tipo.

Naturalmente é possível combinar diferentes métodos, inclusive estatísticos e baseados em julgamento, sempre em busca de menores erros de previsão. Muitas iniciativas empresariais como, por exemplo, alguns tipos de pesquisa ou a contratação de algumas consultorias, não necessariamente almejam gerar previsões. Entretanto muitas dessas iniciativas servem ao mesmo propósito da atividade de prospecção do futuro que, em última instância, é gerar informações que reduzirão o nível de incerteza no processo decisório.

Em situações onde uma abordagem de julgamento mostra-se mais adequada, o objetivo é agregar informações dispersas, transformando esses fragmentos de informação em conhecimento útil que possa ser facilmente utilizado pelo decisor. Como a informação está

dispersa, surgem dois grandes desafios que são: identificar onde a informação está e encontrar um método eficaz para agregá-la.

No primeiro desafio de identificar quem possui informações relevantes, técnicas com base em julgamento como a pesquisa de intenção baseiam-se na premissa de que as pessoas envolvidas são detentoras das informações mais importantes: os próprios consumidores podem predizer seu próprio comportamento. Por outro lado, técnicas como painel de especialistas e Delphi, supõem que especialistas detém as informações necessárias para prever o comportamento dos outros. Nesse caso, há ainda um desafio adicional que é identificar quem de fato é um especialista no assunto em questão. Não é difícil imaginar situações onde pessoas com informações extremamente importantes, possivelmente pessoas do próprio quadro de colaboradores da empresa, deixam de ser consultadas simplesmente porque não são identificadas como especialistas ou por que não possuem determinado nível hierárquico.

Além disso, mesmo identificando as pessoas que possuem informações relevantes, não há garantias de que essas pessoas estejam dispostas a compartilhar suas informações. Por esse motivo, a contratação de especialistas normalmente é cara e não é incomum encontrar situações onde os entrevistados em determinada pesquisa são remunerados por sua participação. Essas remunerações elevam os custos, mas fornecem uma motivação adicional para as pessoas compartilharem o que sabem.

Com relação ao segundo desafio, o de agregar a informação dispersa, o que complica a tarefa é o fato de que nem todos possuem o mesmo nível de informação. Idealmente, as fontes mais bem informadas deveriam ter peso maior em relação aos menos informados. Além disso, em muitos casos os indivíduos podem tentar utilizar estratégias para fazer prevalecer seu ponto de vista ou interesse próprio. Para lidar com essas questões, cada técnica acaba utilizando uma abordagem diferente. Em pesquisa de intenção pode-se utilizar a Análise Conjunta (conjoint

analysis), ao passo que as opiniões de especialistas podem ser agregadas por métodos

indiretos para se atingir um consenso, como na técnica Delphi, ou por métodos mais diretos, como em discussões presenciais.

Cada uma das técnicas citadas para agregar informações dispersas possuem suas vantagens e desvantagens. Infelizmente, para que sejam aplicadas de maneira correta, praticamente todas demandam tempo de operacionalização e análise, são caras e, com o surgimento de novas

informações relevantes, há a necessidade de novo investimento de tempo e dinheiro para aplicar novamente a técnica e capturar essas novas informações.

Um Mercado Preditivo pode ser uma importante ferramenta para ajudar a lidar com alguns dos desafios e problemas supracitados. Essa ferramenta tem atraído a atenção de muitos pesquisadores, economistas e, mais recentemente, de algumas empresas (MCKINSEY, 2013) por ter um custo relativamente baixo e ser capaz de agregar informações dispersas de maneira rápida e eficiente. Ainda que os Mercados Preditivos não sejam a melhor solução para todas as situações, há cenários em que esses mercados podem ser a ferramenta mais indicada para auxiliar a tomada de decisão.

Os principais atrativos para o uso de Mercados Preditivos derivam do fato de que eles proporcionam incentivos para revelações sinceras e instigam a busca pela descoberta de novas informações, ao mesmo tempo em que garantem um algoritmo eficaz para agregar as opiniões. Por outro lado, esses mercados dificilmente apresentarão bons resultados quando há pouca informação útil para ser agregada, ou quando a informação pública é seletiva, imprecisa ou enganosa (WOLFERS; ZITZEWITZ, 2004).